一种锂电池SOC估计方法与流程

本发明涉及电动汽车电池管理系统领域，具体涉及一种锂电池SOC估计方法。

背景技术：

近年来，随着空气质量的日益恶化以及石油资源的渐趋匮乏，新能源汽车，尤其是纯电动汽车成为当今世界各大汽车公司的开发热点。动力电池组作为电动汽车的关键部件，动力电池SOC被用来直接反应电池的剩余电量，是整车控制系统制定最优能量管理策略的重要依据，动力电池SOC值的准确估计对于提高电池安全可靠性、提高电池能量利用率、延长电池寿命具有重要意义。

目前，常用的SOC估计方法主要有开路电压法、安时积分法、卡尔曼滤波法和神经网络法等。

锂电池开路电压(OCV)可以表现其当前状态电池的放电能力，其与SOC有良好的线性关系，根据OCV-SOC关系估计SOC的方法称为开路电压法。开路电压在电池工作状态下不能直接测量，只有在电池未工作的情况下才能近似测量，所以这种方法只适用于电动汽车的驻车状态。通常，开路电压法用于为其它估计方法提供SOC的初始值。

安时积分方法的基本原理是电池在充放电过程中，通过电流对时间积分，可以计算出电池充入或放出的电量，将此电量除以电池当前状态可用容量，再与电池初始SOC进行相应的加减运算即可得出当前状态SOC值。安时积分法具有成本低、测量方便等优点，但在电动汽车场合应用时也有以下几个问题：需要借助其它方法获得SOC初始值；电流测量精度对SOC估计精度具有决定性影响；积分过程的累积误差无法消除，一次计算过程中如果充放电时间过长，累积误差可能导致估计结果不可靠。

由大量神经元通过广泛连接构成的复杂非线性系统即称为神经网络。根据采集到的数据，神经网络可以自动归纳、学习和整理，得到这些数据的内在关系。这些功能导致神经元具有良好的非线性映射能力，理论上动力电池的非线性特性能够较好的由神经网络映射。神经网络法也同样存在不足：需要大量的数据进行训练，训练数据和训练方法对估计精度的影响较大。

卡尔曼滤波法的核心思想是对动态系统的状态做出最小均方意义上的最优估计，卡尔曼滤波的优点在于误差纠正能力较强，不足在于估计精度对电池模型的准确性依赖较高。

技术实现要素：

本发明的目的是针对上述现有技术的不足，提供了一种锂电池SOC估计方法，该方法根据安时积分法成本低，测量方便的优点，采用安时积分法作为SOC估计算法，并且基于温度，电池内阻和电池电压，建立三维离线模型，对在线安时积分法进行分段矫正，消除了传统安时积分法的累积误差，提高了SOC的估计精度。

本发明的目的可以通过如下技术方案实现：

一种锂电池SOC估计方法，所述方法包括以下步骤：

S1、获取电池的SOH值，确定电池当前最大可用容量C_N；

S2、利用安时积分法在线估算当前电池SOC值；

S3、根据采样温度T以及当前电池SOC的估算值，启动对应的离线模型参数，结合当前采样的电流I和端电压U，计算当前的开路电压OCV；

S4、由步骤S3中当前的开路电压OCV，根据OCV-SOC标定曲线，获得当前电池SOC的真实值SOC(t)*；

S5、以当前电池SOC的真实值SOC(t)*矫正安时积分法当前估算的SOC值，继续使用安时积分法进行估算；

S6、重复步骤S3，S4和S5。

优选的，步骤S1中，在获取电池的SOH值后，用SOH值修正电池当前最大可用容量C_N，使C_N＝SOH*Qn，其中Qn为电池额定容量，并将C_N用于安时积分法中的除数项。

优选的，步骤S2中，所述安时积分法的公式为：

其中，SOC(t)为当前SOC的估算值，SOC(t₀)为SOC的初始值，i为电池电流，k_t为温度因素的修正因子，k_t＝[1+m_t(T-25)]-1，式中m_t为温度系数，是一个常数，取值0.006～0.008，T是电池当前温度。

优选的，所述步骤S3具体包括以下步骤：

S31、建立锂电池等效电路模型，所述锂电池等效电路模型为二阶RC模型，包括一个电压源Voc，一个直流内阻R，两个RC并联环路；

S32、根据不同温度T下，不同SOC值下电池放电结束端电压响应曲线，辨识模型的离线参数，建立二维的模型离线参数网络；

S33、根据采样获得的端电压U与电流I，在不同状态下启用对应的离线模型参数，计算当前开路电压OCV。

优选的，所述步骤S4中的OCV-SOC标定曲线，经过标准标定后，还要对该曲线利用六次多项式进行拟合，所述六次多项式的公式为：

VOC＝a₁*SOC⁶+a₂*SOC⁵+a₃*SOC⁴+a₄*SOC³+a₅*SOC²+a₆*SOC+a₇

其中，VOC表示电池开路电压，a₁-a₇表示六次多项式中的系数，且均为常数，SOC表示锂电池的荷电状态。

优选的，所述步骤S5中，根据OCV-SOC曲线获得SOC(t)的真实值SOC(t)*后，将此值作为安时积分法的此刻的初始值替代安时积分法公式中的SOC(t₀)，继续使用安时积分法在线估计，并将该值输出为SOC算法此刻的估计值。

优选的，所述步骤S32的具体过程为：

在相同温度T，不同SOC值状态下，根据电池放电结束后端电压变化曲线，对电池等效模型进行参数辨识，获得各个不同状态下离线模型参数数据R，Rs，Cs，Rp，Cp；

在相同SOC值，不同温度状态T下，根据电池放电结束后端电压变化曲线，对电池等效模型进行参数辨识，获得各个不同状态下离线模型参数数据R，Rs，Cs，Rp，Cp。

优选的，步骤S32的所述温度T为-10℃、-5℃、0℃、5℃、10℃、15℃、20℃、25℃、30℃、35℃、40℃、45℃或50℃内的任一温度，所述SOC值为0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8或0.9中的任一数值。

本发明与现有技术相比，具有如下优点和有益效果：

1、本发明通过不同温度下锂电池等效模型的离线参数、不同SOC状态下锂电池等效模型的离线参数、SOC与OCV标定曲线，建立锂电池SOC估计的三维离线模型，对传统安时积分估算SOC算法进行分段矫正，有效消除了安时积分法的累积误差，提高了SOC的估计精度。

2、本发明在现有SOC估计技术的内阻与电压估计模型中，加入温度模型，充分考虑温度对SOC的影响，提高了SOC估计模型的准确度。

3、本发明实现了在线估算运算量小，方法可靠，准确度高的技术效果，能有效的提高电池能量的利用率，延长电池寿命。

附图说明

图1为本发明实施例一种锂电池SOC估计方法的原理图。

图2为本发明实施例锂电池二阶RC等效电池模型。

图3为本发明实施例锂电池放电结束端电压响应曲线图。

图4为本发明实施例锂电池放电结束端电压响应曲线拟合图。

图5为本发明实施例的OCV-SOC标定曲线。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例：

本实施例提供了一种锂电池SOC估计方法，所述方法的原理图如图1所示，包括以下步骤：

S1、获取电池的SOH值，确定电池当前最大可用容量C_N；

S2、利用安时积分法在线估算当前电池SOC值；

S3、根据采样温度T以及当前电池SOC的估算值，启动对应的离线模型参数，结合当前采样的电流I和端电压U，计算当前的开路电压OCV；

S4、由步骤S3中当前的开路电压OCV，根据OCV-SOC标定曲线，获得当前电池SOC的真实值SOC(t)*；

S5、以当前电池SOC的真实值SOC(t)*矫正安时积分法当前估算的SOC值，继续使用安时积分法进行估算；

S6、重复步骤S3，S4和S5。

其中，步骤S1中，在获取电池的SOH值后，用SOH值修正电池当前最大可用容量C_N，使C_N＝SOH*Qn，其中Qn为电池额定容量，并将C_N用于安时积分法中的除数项。

其中，步骤S2中，所述安时积分法的公式为：

其中，SOC(t)为当前SOC的估算值，SOC(t₀)为SOC的初始值，i为电池电流，k_t为温度因素的修正因子，k_t＝[1+m_t(T-25)]-1，式中m_t为温度系数，是一个常数，取值0.006～0.008，T是电池当前温度。

其中，所述步骤S3具体包括以下步骤：

S31、建立锂电池等效电路模型，所述锂电池等效电路模型为二阶RC模型，包括一个电压源Voc，一个直流内阻R，两个RC并联环路，如图2所示；

S32、根据不同温度T下，不同SOC值下电池放电结束端电压响应曲线，本实施例的锂电池放电结束端电压响应曲线图如图3所示，辨识模型的离线参数，建立二维的模型离线参数网络；

具体过程为：

在相同温度(T＝-10,-5,0,5,10,15,20,25,30,35,40,45,50)(单位摄氏度℃)，不同SOC值状态下(SOC＝0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9)根据电池放电结束后端电压变化曲线，对电池等效模型进行参数辨识，获得各个不同状态下离线模型参数数据R，Rs，Cs，Rp，Cp；

在相同SOC值(SOC＝0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9)，不同温度状态下(T＝-10，-5,0,5,10,15,20,25,30,35,40,45,50)(单位摄氏度℃)，根据电池放电结束后端电压变化曲线，对电池等效模型进行参数辨识，获得各个不同状态下离线模型参数数据R，Rs，Cs，Rp，Cp。

如图4所示，为本实施例锂电池放电结束端电压响应曲线拟合图，(V₁-V₀)这个过程是放电结束后，电池内部欧姆电阻上产生的压降消失的过程，由此可得电池欧姆电阻用两个阻容环节叠加的方式来模拟电池的极化过程，Cs和Rs组成的RC并联电路时间常数较小，用于模拟电池在电流突变时电压快速变化的过程(V₂-V₁)，Cp和Rp并联电路的时间常数较大，用于模拟电压缓慢变化的过程(V₃-V₂)。

假设电池在t₀-t_r期间先放电一段时间，然后剩余时间处于静置状态，其中t₀、t_d、t_r分别为放电开始时刻、放电停止时刻和静置停止时间，在此过程中RC网路电压为：

令τ_s＝R_sC_s，τ_p＝R_pC_p，为两个RC并联电路的时间常数，(V₃-V₁)阶段电压变化是由电池的极化效应消失引起的，在此过程中电池的电压输出为：可以简化写为：V＝E-ae^-ct-be^-dt，此形式即可用Matlab进行二次指数项系数拟合，求出a、b、c、d之后，R_s＝a/I，R_p＝b/I，C_s＝1/R_sc，C_p＝1/R_pd，据此可以辨识出R_s、R_p、C_s、C_p的值，共测得13*9＝117个离线模型参数数组[R_s、R_p、C_s、C_p]。

S33、根据采样获得的端电压U与电流I，在不同状态下启用对应的离线模型参数，计算当前开路电压OCV。

其中，所述步骤S4中的OCV-SOC标定曲线，经过标准标定后，还要对该曲线利用六次多项式进行拟合，所述六次多项式的公式为：

VOC＝a₁*SOC⁶+a₂*SOC⁵+a₃*SOC⁴+a₄*SOC³+a₅*SOC²+a₆*SOC+a₇

其中，VOC表示电池开路电压，a₁-a₇表示六次多项式中的系数，且均为常数，SOC表示锂电池的荷电状态。

本实施例OCV-SOC标定曲线是在充放电为25摄氏度恒温条件下进行，采用三洋三元2600mah锂电池，分别标定0.2C、0.3C、0.4C、0.5C、0.6C、0.75C、1C恒流间歇放电条件下的OCV-SOC曲线，OCV-SOC标定曲线实验设置如表1所示，所获OCV-SOC标定曲线如图5所示，具体步骤为：

1)采用先恒流(0.2C)后恒压(截止电压4.25V)的方式对电池进行充电；

2)对电池进行恒流、恒容量(260mAh)放电；

3)放电结束，静置1小时；

4)重复步骤2)、3)，至电池放电结束。

表1

其中，所述步骤S5中，根据OCV-SOC曲线获得SOC(t)的真实值SOC(t)*后，将此值作为安时积分法的此刻的初始值替代安时积分法公式中的SOC(t₀)，继续使用安时积分法在线估计，并将该值输出为SOC算法此刻的估计值。

以上所述，仅为本发明专利较佳的实施例，但本发明专利的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明专利所公开的范围内，根据本发明专利的技术方案及其发明专利构思加以等同替换或改变，都属于本发明专利的保护范围。